AI Agent Native Development
T01–T04 · 多 Agent 协作、MCP、工具与硬件
做出可运行、可部署的原型Fullstack AI Engineer & FDE Training Program职业转型与能力进阶
10周项目集训 | 半年项目陪跑 | 1对1全程项目定制
半年产品与研发陪跑适用于 US$1,880 方案，具体区别见项目收费表。
这项计划适合谁
- 希望从软件开发、数据、产品或行业岗位转入 AI 系统研发与交付的专业人士。
- 希望从算法、模型或实验工作延伸到完整产品系统、扩大职业价值的 AI 从业者。
- 希望进入客户现场，承担需求澄清、系统集成、试点验证与持续交付的 FDE。
- 希望用真实系统、工程记录与明确个人贡献，建立求职和职业晋升竞争力的学习者。
中国与硅谷湾区，正在招聘怎样的 AI 工程师？
从具体招聘样本，看薪资、经验与交付要求。
| 公开岗位 · 地点 | 招聘薪资 | 经验与具体要求 |
|---|---|---|
| 中国 · Agent 全栈工程师TT 语音 / 趣丸科技 · 广州 [1] | ¥20–40K / 月15 薪 | 3 年以上软件研发；Agent 工具与任务编排、权限、部署与反馈迭代。 |
| 中国 · AI FDE帆软软件 · 杭州 [2] | ¥20–40K / 月14 薪 | 本科，招聘页标注经验不限；深入客户现场，将业务需求转成可落地的 Agent 方案并交付。 |
| 湾区 · Fullstack / AI EngineerPoka Labs · 旧金山 [3] | US$180–240K / 年股权另列 | 岗位标题要求 4+ 年经验；前后端、生产级 Agent、ERP / CRM 集成、客户流程与可靠性。 |
| 湾区 · FDE, AI InfraOpenAI · 旧金山 [4] | US$185–300K / 年基本工资；股权另计 | 5 年以上工程 / 技术交付经验；客户协作、生产部署、可复现评测；可能需最多 50% 出差。 |
这些岗位重视的，是把 AI 接入实际系统，并对结果持续负责的能力。
来源：[1] 企业招聘 · 牛客 [2] 企业招聘 · BOSS 直聘 [3] Poka Labs · YC [4] OpenAI Careers
核查日期：2026-10-28。K = 千；中国为人民币月薪及所列发薪月数，美国为美元年薪。仅为不同资历的招聘样本，不是行业平均，也不代表培训后薪资或录用承诺；以招聘方最新说明为准。
Fullstack AI Engineer、FDE，与传统 AI 岗位有何不同？
理解能力范围与交付责任，才能判断自己的进阶方向。
| 比较维度 | 传统 AI 岗位 以算法 / 建模岗位为例 | Fullstack AI Engineer 全栈 AI 工程师 | FDE Forward Deployed Engineer · 前线部署工程师 |
|---|---|---|---|
| 工作重心 | 数据、算法、训练与模型评测 | 把模型、Agent、前后端与数据连成完整系统 | 进入客户现场，解决业务与技术之间的落地问题 |
| 主要交付 | 模型、实验结论、算法组件与指标 | 可运行、可维护、可持续迭代的 AI 应用 | 接入现有环境、通过验收并被实际采用的方案 |
| 核心能力 | 统计与建模、数据质量、训练和实验设计 | 软件架构、Agent 编排、接口、部署、测试与观测 | 需求澄清、数据权限、系统集成、试点与交付沟通 |
| 如何证明价值 | 实验可复现，模型指标达到目标 | 功能有效，质量、成本与稳定性可验证 | 实际任务完成，客户使用，交接与持续运维可执行 |
从“我实现了一个模型”，走向“我能把 AI 系统做出来，并让它被用起来”。
上表为依据前页招聘要求整理的能力比较。岗位名称与职责存在交叉；传统 AI 也包含应用、平台和系统岗位，并非仅做算法。两条新路径都需要扎实工程能力，不能只靠工具操作。
我们自己的案例 I：OpenLabs：全栈 AI 系统实践
OpenLabs：让 AI 讲授、执行实验，并把结果带回学习过程。
AI 智能白板
把知识讲解、自动绘图、可运行代码与反馈串起来，让学习者改变条件、重复实验。
自动实验与环境管理
调度 CPU / GPU 与运行环境，执行实验、收集日志和结果，再据此推进下一步。
从项目里带进课堂的方法
DSL、层级结构、纯函数、State Machine：让 Agent 的生成和执行有清晰边界。
上千个累计管理的运行环境
100+ 门AI 智能白板讲授的课程
解释 → 执行 → 验证让学习与实验形成闭环
规模信息由项目负责人提供，按累计口径；不表示同时在线规模。产品画面来自 OpenLabs 项目材料。
我们自己的案例 II：KeploreAI：让工业视觉模型训练自动运行
客户实践 · 帮助某机器视觉设备生产商，构建端到端的全自动模型训练 Agent 系统。
Image 为原图，GT 为人工标注；公开数据集图片，非客户数据或本系统检测结果。
从专业软件操作，到 Agent 驱动的工作流程
自动完成模型训练，
释放工程师的工作带宽。
在客户的部分视觉任务中，替代原有 HALCON 工作流程，让工程师减少重复操作，把精力投入问题分析与方案验证。
FDE 的核心实践：把训练方法、执行工具、GPU 环境与设备接口整合成可运行的客户系统。
客户实践与成效由项目负责人提供；HALCON 替代范围限于该客户的部分任务。
系统实现结构数据与任务 → 自动训练 → 评测反馈 → 模型与设备接口
01 · Skills 构建沉淀训练方法
→
任务知识 · 操作规范
02 · Tools 优化封装执行工具
→
数据处理 · 训练与评测
03 · Agent 流程编排训练任务
→
步骤 · 状态 · 反馈迭代
04 · Runtime 管理管理运行环境
→
GPU · 依赖 · 任务生命周期
05 · 软硬件整合连接实际设备
模型接口 · 设备协议
结构图为工程环节示意。配图：Huang、Qiu、Yuan，Magnetic Tile Defect Dataset · “Saliency of magnetic tile surface defects” ↗
导师 | 高老师（Marvin Gao）
教育、学术与 AI 工程
教育经历
毕业于浙江大学和约翰霍普金斯大学计算机科学系。
论文发表
曾在 AAAI、ICRA 等国际会议，以及 TPAMI、JMLR 等学术期刊发表论文。
IBM · AI Scientist
担任项目技术负责人，完成多项企业 B2B AI 项目，包括 PCB 智能化、银行运钞车调度、金融智能客服系统等。
创业与商业化经历
浙江大学期间 · 创业起步
获得浙江大学创业比赛金奖，并获得学校启动资金。
2019 · 企业收购
创立的教育企业被北京一家独角兽企业收购，并成为该企业合伙人。累计培养超过 2,000 名 AI 工程师，分布于全球知名企业。
2025 · KeploreAI 开普勒人工智能
赴美后创办 KeploreAI，获得硅谷投资，投后估值 1,600 万美元。
2026 · Agentist + OpenLabs
在硅谷推进 Agent System 创业，Agentist 与 OpenLabs 累计付费用户超过 500 人。
职业升级的关键：做出经真实场景检验的 AI 系统
从工具使用与局部实现，走向端到端交付：
能构建，能验证，能维护，能持续负责。
Demo
能演示一个想法
真实可用的 AI 系统
稳定运行 · 可维护 · 可扩展
Fullstack AI · FDE技术系统课 + 产品系统落地课 + 1对1指导
从会做演示，到能交付系统工程深度 · 真实约束 · 交付证据
课程负责人高老师的独特优势
8年的创业经验 | 10年的 AI工程经验 | 13年的AI科研经验用持续实践，建立能被看见的职业能力
项目指导方案：第 2 周起，每周至少一次可预约交流
第 2 周 · 定项目
明确问题、使用者与验收目标
项目定义与验收清单第 8 周 · 首版上线目标
完成核心闭环，供用户试用
部署链接与测试记录第 10 周 · 验收与迭代
验证可靠性、成本与反馈
验收报告与迭代计划半年 · 持续使用与迭代
持续验证价值，按目标发展
实验、使用与业务反馈
项目指导适用于 US$1,180 / US$1,880 方案；首版目标一对一约定。半年陪跑仅含于 US$1,880 方案。
能力地图：全栈 AI 构建 + FDE 场景交付
10 周技术系统课 + 6 周产品系统落地课，在 10 周集训中组合推进；以真实项目积累工程与交付能力。
技术系统线
Complexity Management
T05–T08 · 状态机、DSL、分层接口与验证
把复杂行为变得可控、可测、可追踪Performance & Robustness
T09–T10 · 模型服务性能、Token 工厂与运维
让产品稳定运行，并持续优化成本产品系统落地线
问题识别与系统接入
B01–B02 · 行业判断、真实问题与系统接入
明确接入位置、范围与验收目标试点验证与使用推广
B03–B04 · 效果与成本、试点与使用推广
用试点验证效果、成本与采用障碍行业落地与持续交付
B05–B06 · 持续交付、行业问题与应对
形成可维护、可迁移的行业落地方案9 次具备实际价值的 AI、Agent、LLM-Server 项目构建练习
持续 6 个月的 1 对 1 定制化项目陪跑
完整培养计划，逐页了解。
完整课纲、往期学员项目与学习支持。共 41 页。
你将获得什么
- 用 AI 开发 AI 产品的完整技术栈能力
系统掌握现代 Agent 的开发方式，贯通模型与工具、系统架构、验证、部署和持续运营。围绕自己的问题构建产品，推进用户验证，朝着真正有用户使用的产品持续迭代。
- 持续积累 GitHub 工程实践记录
通过随堂案例、课后实践和个人产品迭代，积累可追溯的代码、测试与部署记录。课程期间预计有效代码提交量可达约 1,000 次，以实际项目范围、投入与完成情况为准。
这是实践规模的预估，不是保证或验收门槛；提交应对应真实改进，不以拆分提交凑数。
- 能够继续发展的个人项目与作品
完成的项目可作为副业或创业项目的起点、公司业务与运营项目的实践基础，也可整理为求职时展示的项目案例，说明你解决的问题、设计取舍与实际成果。
把已有经验，转化为 AI 时代的职业竞争力
对希望转入 AI 的专业人士，以及希望扩大影响力的 AI 从业者，这是值得认真投入的职业升级方向。
此前从事非 AI 岗位
已有积累：软件开发、数据、产品、业务流程或行业经验，都可以成为理解真实问题的起点。
补齐能力：编程与系统基础、LLM / Agent、工具与数据接入、部署、测试及运行维护。
目标方向：全栈 AI 应用研发，或结合行业经验承担 FDE 场景落地与技术交付。
此前已从事 AI 岗位
已有积累：模型、算法、实验与数据经验，为系统的效果判断提供基础。
延伸能力：前后端与服务架构、Agent Runtime、可观测性、成本性能，以及客户系统集成。
目标方向：从局部模块推进到完整系统与场景交付，承担更大范围的技术与业务责任。
共同的进阶产出：一套能接受真实检验的 AI 系统
结合个人背景选题 → 端到端构建 → 测试与部署 → 真实使用反馈 → 持续优化与复盘。
转型路径取决于原有基础、投入与岗位要求。非技术背景需要补足编程和软件工程能力；课程与项目实践不等同于录用、职级或薪资保证。
职业竞争力：用真实系统与个人贡献说话
AI 可以快速生成简历、代码与项目介绍。重复性的项目经历，越来越难体现一个人的能力。
真正有分量的，是你反复打磨、
经真实场景检验的 AI 系统。
在真实场景中接受检验
让真实用户完成真实任务。用测试结果、使用反馈与前后对比，说明系统解决了什么问题、带来了什么改变。
在持续迭代中建立深度
把架构、数据、部署与运维做扎实。保留 GitHub 代码、失败记录与优化过程，呈现自己的判断和实际贡献。
形成有辨识度的代表作
结合自己的领域经验，做出独特、可维护的系统。简历与 LinkedIn 指向真实成果，面试中讲清设计取舍与验证过程。
全职集中投入最快约 2–3 个月
兼顾工作或学业通常至少半年
越容易“速成”的经历，
越难形成长期竞争力。
这是我们对项目打磨的投入预期，实际进度取决于基础与项目范围。10 周集训建立基础，半年陪跑适用于对应方案；求职结果取决于项目质量与招聘要求。
展开完整课纲、课后练习与选修课程
技术系统线 · 10 场课产品系统落地课 · 6 节课
第一个练习：扩展并部署在线 VS Code
基于开源 VS Code 的在线版本，增加至少一个自定义功能，并通过 MCP 接入部署工具，将修改后的版本部署上线。
使用课程开发环境，先把一个功能做完整，再将方法应用到自己的产品。
前两节围绕同一个 VS Code 项目递进实践；具体代码基线、工具服务与发布平台另行准备。
学习、实验与个人项目持续连接
OpenLabs：按需学习课程与阅读材料，在实验环境中测试模型、工具和技术方案。
一对一指导：从第 2 周开始确定个人产品，讨论进度、具体障碍及下一步验证。
个人项目：持续推进一个主要产品，选择适用的方法，不要求每个产品都使用所有技术。
超过 50 门免费选修课程
面向本班学员免费提供，涵盖 Agent 系统原理、大模型原理、大模型系统原理、大模型服务器构建、具身智能与机器人等方向。
包含配套源代码实验与计算环境，课程组持续提供答疑指导。学员可以围绕自己的项目按需补充学习。
以下精选 20 门。课程由 OpenLabs 整理或独立开发；高校名称表示参考课程框架，不代表高校官方授课或认证。所列 Canvas 课程目前已开放首章实验，后续章节持续更新；具体内容和计算环境以课程页面为准。
Agent 系统原理
01 · LLM Agents：从推理到智能体系统
来源：参考 Berkeley LLM Agents 公开课框架
02 · Agent 第一性原理：循环、上下文与 harness
来源：参考 Thorsten Ball、OpenAI Codex agent loop 与 Anthropic 上下文工程文档
03 · Agentic 设计模式（一）：提示链、路由与并行
来源：参考 Antonio Gulli《Agentic Design Patterns》第 1–3 章
04 · Agent 工程：循环、状态图与自我改进
来源：参考 Anthropic、12-Factor Agents 与 LangChain Academy
05 · 给 Agent 装能力：工具、Skill 与 MCP
来源：参考 Hugging Face MCP Course、MCP 规范与 Anthropic Agent Skills
06 · 评测 LLM Agent：pass@k、模型评委与可靠性
来源：参考 Anthropic 评测文档、τ-bench 与 LLM Evals FAQ
大模型原理
07 · 从零构建大语言模型
来源：参考 Stanford CS336 课程框架
08 · 从数词频到大模型
来源：OpenLabs 自编学习路线与实验
09 · 精读《深度学习》：网络怎样一层层学出有用的表示
来源：独立解读 Goodfellow、Bengio、Courville《Deep Learning》
10 · 手写自动微分引擎：造你的迷你 PyTorch
来源：OpenLabs Academy 自动微分课程；参考《Deep Learning from Scratch》等
11 · 扩散与流匹配：生成模型从零
来源：OpenLabs Academy 生成模型课程整理
大模型系统与服务器
12 · 生产环境的 LLM 推理服务：指标、成本与扩缩容
来源：参考 BentoML / Modular 推理手册、Google Cloud GKE 与《Inference Engineering》
13 · 精读《AI 系统性能工程》：让 GPU 的每一秒都干有用的活
来源：独立解读 Chris Fregly《AI Systems Performance Engineering》
14 · GPU 并行编程：从 SIMT 到写出快的 kernel
来源：参考 Kirk & Hwu《Programming Massively Parallel Processors》等
15 · 机器学习工程化：从模型到生产系统
来源：参考 CMU ML in Production 课程框架
具身智能与机器人
16 · 具身智能：让程序长出身体，在世界里把事做成
来源：OpenLabs Academy 具身智能课程与模拟实验
17 · 现代机器人学：让机器人动起来的几何
来源：OpenLabs Academy 现代机器人学课程整理
18 · 自动驾驶入门：从循迹到 mini 规划栈
来源：OpenLabs Academy 自动驾驶课程整理
19 · 深度强化学习：从 MDP 到策略梯度与探索
来源：参考 Stanford CS234 强化学习课程框架
20 · 计算机视觉：从像素到卷积
来源：OpenLabs Academy 视觉课程；参考 Szeliski、Forsyth & Ponce 相关教材
往期学员项目 · 内容与办公自动化
Cohort 1 / 2 · 项目成果与技术栈分析
自动录制与剪辑视频助理
把主题变成口播稿，控制 OBS 录制，再完成语义剪辑和字幕。
- 主题与资料 → 口播稿 / 提词器
- OBS 录制 → 转录与选段
- 剪辑 → 字幕 → 视频成片
技术栈与设计
Python Agent Loop · OBS WebSocket · FFmpeg
模型选择文本片段，工具读取真实时间戳；超额删减先确认，减少误剪。
实验报告记录：38.55 秒素材 → 7.217 秒剪辑片段。
飞书周报与月报助理
拉取工作数据，自动整理部门、团队周报，并按日期触发月报。
- 飞书工作数据
- 部门周报 / 团队周报 / 月报
- 定时检查 → 已生成则不重复
技术栈与设计
Feishu Open API · Skills · Cron / Heartbeat
把日期规则、历史状态和格式模板分开，减少重复提醒与手工整理。
学员复盘：8 月 6 日实际生成；省去手动整理。
个性化行业资讯播报
把通用播报改成个人关注的行业主题，持续推送到邮箱或飞书。
- 个人主题 → 资料抓取
- 筛选、摘要与来源链接
- 邮箱 / 飞书 → 定时送达
技术栈与设计
MCP 检索工具 · LLM 摘要 · 邮件 / 飞书 · Cron
把内容来源、摘要与推送拆开；数据源受限时调整采集方式。
有个人开发日志；学员直接回复确认收到推送。
依据往期实验报告与评测记录整理（2026.10）；流程图为成果结构示意，不是产品截图。
往期学员项目 · 模型训练与软件研发
Cohort 1 / 2 · 项目成果与技术栈分析
能够自动训练微调 GPU 视觉模型的 Agent 系统
让 Agent 驱动 GPU 视觉模型的训练与微调，读取评测结果，比较和调整训练策略。
afoxlin86.86%86.86%
yangye032983.59%83.59%
技术栈与设计
Agent 工具调用 · GPU 训练 · 微调 / TTA
用评测反馈比较训练策略。两位学员分别留下 11 次、8 次挑战提交记录。
分数来自平台评分；优化方法以各自实验报告为准。
mini Claude Code
自己构建 Coding Agent，让它读取代码、调用工具、修改并测试修复。
- 任务 → 上下文与工具调用
- 修改代码 → 执行测试
- 本地课程修复任务：3 / 3
技术栈与设计
Agent Loop · 工具路由 · 权限策略 · 子 Agent
模型生成能力之外，还要管理上下文、工具分发与执行权限。
有本地成绩上传与实验报告；服务器未独立重跑。
WPS 文档自动化助理
给常驻助理增加办公能力，生成文档与演示内容，并导出 PDF。
- 任务请求 → 本机助理
- Windows WPS COM 自动化
- 文档 / 演示内容 → PDF
技术栈与设计
Windows · WPS COM · 本机工具 · 守护任务
区分平台接口、约束输出目录，并增加重启与恢复机制。
报告包含 WPS 接口适配和自动化扩展过程。
依据往期实验报告与评测记录整理（2026.10）；流程图为成果结构示意，不是产品截图。
往期学员项目 · 业务系统与可靠性
Cohort 1 / 2 · 项目成果与技术栈分析
常驻邮件与 Slack 助理
筛选重要邮件，推送给用户；在 Slack 修改回复草稿并人工确认发送。
- 邮件监听 → 重要性判断
- Slack 草稿 → 人工确认
- 发送 / 状态保存 / 断线恢复
技术栈与设计
IMAP IDLE · Slack · 状态文件 · 任务守护
用处理位置和状态文件避免重复消费；守护进程负责持续运行。
多份实验报告，以及学员对邮件筛选的具体反馈。
企业零售客服 Agent
连接业务环境与 GitHub CI，用业务测试检查 Agent 的实际行为。
集成任务1 / 1 通过
另一业务套件10 / 11
技术栈与设计
业务 API · GitHub Actions · 自动化业务评测
连通性验证与业务验收分开；测试暴露硬编码和不符合业务约束的实现。
有仓库、CI 与平台评测回执；展示迭代过程。
可恢复与自我改进 Agent
让任务能停、能续、能人工审批，并用独立评测检查每次修改。
- 执行 → 检查点 → 中断恢复
- 候选修改 → 独立 Judge
- 通过才保留；失败不晋级
技术栈与设计
检查点 · 人工审批 · 独立 Judge · 留出测试
将执行状态与评分边界隔离，避免重复调用，也避免 Agent 修改记分规则。
有恢复实验与自改反思，不把每轮修改视为提升。
依据往期实验报告与评测记录整理（2026.10）；流程图为成果结构示意，不是产品截图。
往期学员反馈
“我觉得，高老师的每一堂课都是精品。讲的都是自己实战中获得的经验，深入浅出，理论结合实战做得很好。”
“我也上过其他相关课程，感觉偏科普，讲得比较浅。还是高老师专业。”
“我看到 Manus 2.0 时，感觉就是高老师教我们的内容——一个 Agent 综合体。”
“用了自动化测试，我才发现之前 Agent 写的代码里很多地方都硬编码了，也发现了之前实现中的问题。”
根据学员原话轻微整理，保留第一人称语气；樱同学的测试体会结合导师补充说明。
资源价值账单：把项目做起来需要哪些支持
| 资源与支持 | 本计划提供 | 独立采购 / 核算参考 |
|---|---|---|
| GPU 算力 | 每人最多 100 GPU 小时；机型按任务分配 | 示例：100 小时 H100 SXM × US$4.29/小时 = US$429 |
| 模型 Token | 每位学员 US$50 Token 额度 | US$50；按模型和实际调用用量消耗 |
| 项目与学习材料 | 9 项课程练习 + 3 项专题实战（配环境与指导） | 选修免费开放；配套源码、环境与答疑 |
| 产品与研发指导 | 16 次直播；答疑与个人项目指导按方案安排 | 按服务周期与约定交流安排确认 |
| 半年部署与陪跑 | 项目落地与半年陪跑方案提供 CPU、数据库、GPU 自动运维部署与 Stripe 接口，持续 6 个月 | 课程方估算 US$100–200/月 × 6 个月 = US$600–1,200 |
半年陪跑方案 · 示例资源预算 US$1,079–1,679
另含 16 次直播、一对一指导与 9 个项目源码；50+ 门选修课程免费开放。
参考：Lambda H100 SXM 单卡价格（2026-10-20，未含税）。合计按 100 小时全部使用 H100 的假设测算；实际机型与用量不同，不能视为现金返还或保证节省金额。合计含半年服务，仅对应 US$1,880 方案；运维估算含 CPU、数据库及服务，不重复计 GPU 与 Token。
项目收费
先提交申请，与老师一对一交流，确认项目方向与学习计划后再报名。
| 费用与安排 | US$735 档 | US$1,180 档 | US$1,880 档 |
|---|---|---|---|
| 项目学费 | US$735约合人民币 ¥4,800 人民币为参考金额 | US$1,180约合人民币 ¥7,800 根据当日汇率有所变化 | US$1,880约合人民币 ¥12,800 根据当日汇率有所变化 |
| 共同学习支持 | 完整直播课程、完整项目练习、计算资源支持、自动化评测系统使用、20 多门精品课程。另含 Enterprise AI Agent、LLM-Server、Embodied AI 三项实战的配套环境和项目指导。 | ||
| 项目与学习计划 | 完整直播课程、完整项目练习；20 多门精品课程 | 10周项目集训，课程期间一对一项目指导 | 10周项目集训，课程期间一对一项目指导 |
| 1 对 1 支持 | 课程与项目练习答疑 | 课程期间一对一个人项目指导 | 一对一定制项目指导与落地陪跑 |
| 项目上线目标 | 不含定制项目陪跑与约定上线目标 | 围绕个人项目开展学习与实践 | 以自定义项目达到约定上线目标为交付目标 |
| 后续产品与研发陪跑 | 不含定制项目陪跑 | 不含半年持续陪跑 | 未来半年持续提供产品与研发陪跑 持续讨论产品方向、研发迭代与上线后的改进 |
| 半年基础设施与部署服务 | 不含此项半年服务 | 不含此项半年服务 | 提供半年服务器、数据库、GPU 自动化运维与部署服务 课程方估算独立配置与运维成本 US$100–200/月；实际费用随规格与服务范围变化 |
| 产品支付接入 | 不含此项服务 | — | 提供 Stripe 支付接口 |
| 报名退费保障 | 报名后 15 天内，可无理由全额退费。 三种报名方案均适用。 | ||
| 自定义项目未上线保障 | 不含此项专项保障 | — | 自定义项目未上线， 退还 ¥5,000 或 US$700 学费。 |
项目上线目标保障、半年产品与研发陪跑、半年基础设施与部署服务，以及 Stripe 支付接口适用于 US$1,880 档。项目上线期限、验收标准、陪跑及服务起止时间、资源配置与服务范围、交流安排，以及 ¥5,000 或 US$700 的退费流程，在报名确认时书面约定。
提交申请，与老师交流训练营正式开始时间：2026年11月14日
此次仅招收 15 名学习者。
介绍你的背景、想解决的问题与希望实现的目标，为后续项目交流做准备。
支持 Zoom、线下、腾讯会议、微信文字或微信语音交流。